-
公开(公告)号：CN114202659A
公开(公告)日：2022-03-18
申请号：CN202111587972.1
申请日：2021-12-23
Applicant: 南京理工大学 , 中国铁路上海局集团有限公司南京供电段
Abstract: 本发明公开了一种基于空间对称化不规则局部区域特征提取的细粒度图像分类方法，包括：将图像输入到深度卷积网络中得到特征图；将特征图输入到对称化局部区域提取模块中进行局部区域特征提取；利用注意力机制捕获特征之间的上下文关系；利用双向循环神经网络将空间结构信息与特征信息进行融合；以聚类的方式将所有特征用若干个聚类中心进行表示，联合所有聚类中心进行分类，得到目标类别。该方法克服了局部特征提取时，特征之间的空间信息丢失问题，同时提出的不规则区域特征提取模板能够有效的对目标的不规则的关键性的局部区域特征进行提取，最大程度上保留局部信息完整性和减少无关信息，能够提高细粒度图像分类的精度。
-
公开(公告)号：CN118642863B
公开(公告)日：2024-11-15
申请号：CN202411126419.1
申请日：2024-08-16
Applicant: 南京理工大学
Abstract: 本发明公开了一种Spark框架下GPU使能的多层次张量CP分解分布式并行加速方法，包括：读取秩为R的大规模高光谱张量数据及因子矩阵参数初始化；利用P‑CPALS方法分布式并行更新每个因子矩阵；计算error，判断本轮迭代是否满足迭代停止条件。本发明通过结合不同并行机制的Spark平台与GPU高性能技术以达到多层次并行计算的效果，探索不同子任务之间的划分机制，合理运用多层次并行的高效计算能力，实现了具有更高效、高可扩展性的密集型张量数据的并行CP分解。
-
公开(公告)号：CN117765365A
公开(公告)日：2024-03-26
申请号：CN202311583040.9
申请日：2023-11-24
Applicant: 南京理工大学
IPC: G06V10/82 , G06V10/44 , G06V10/58 , G06N3/0455 , G06N3/0464
Abstract: 本发明公开了一种基于异常点加权的双自编码高光谱解混方法。针对高光谱图像解混问题中端元和丰度求解的不均衡性，提出了双自编码网络，分别设计了端元提取网络和丰度估计网络，得到了更接近真实值的端元和丰度。该方法的核心是充分利用端元提取网络得到的端元，将其带入丰度估计网络进行丰度估计。端元提取网络使用传统的深层自编码网络，损失函数使用了log(SAD)代替SAD(Spectral Angular Distance)函数，以增大光谱相似性在端元提取中的比重。进一步，在计算损失时加入了异常点驱动的权函数，以减小异常点对网络的影响。丰度估计的网络结构采用了谱卷积网络，同时引入注意力机制以提高网络的学习能力。
-
公开(公告)号：CN116310856A
公开(公告)日：2023-06-23
申请号：CN202310036190.1
申请日：2023-01-08
Applicant: 南京理工大学
IPC: G06V20/13 , G06V10/42 , G06V10/762 , G06V10/82 , G06N3/0895 , G06N3/096
Abstract: 本发明公开了一种基于多尺度跨实例聚类互斥信息对比自监督的遥感目标检测方法及系统，采用多尺度特征提取图像的特征，通过负样本队列与自监督网络的对抗学习，通过实例聚类群体辨别学习，由互斥信息对比损失和聚类信息对比损失训练自监督模型，再采用与上游自监督任务相适应的下游遥感目标检测网络进行迁移学习，提取待检测图像的特征信息，获得预测的标签类别、置信度和预测框，适用于尺度变化大、背景复杂的遥感目标检测。
-
公开(公告)号：CN115331109A
公开(公告)日：2022-11-11
申请号：CN202211036223.4
申请日：2022-08-27
Applicant: 南京理工大学
Abstract: 本发明公开了一种基于旋转等变卷积通道注意力增强和多尺度特征融合的遥感图像目标检测方法，包括：选取遥感图像输入旋转等变特征提取网络，得到输入图像的多层旋转等变特征图；将多层特征图输入旋转等变通道注意力增强模块并进行特征融合，得到特征增强的旋转等变多尺度特征图；对多尺度特征图进行特征目标检测和分类，得到特征目标的中心点坐标、特征目标的长、宽及角度，以及特征目标的类别。本发明中设计了旋转等变通道注意力增强的特征融合模块来克服遥感图像特征提取的困难点，得到经通旋转等变道注意力增强和多尺度语义信息融合后的多尺度特征图，最后在特征图上进行目标检测，得到最终的检测结果，适用于遥感图像目标检测场景。
-
Patent Agency Ranking
公开(公告)号：CN108133465B
公开(公告)日：2022-01-11
申请号：CN201711489305.3
申请日：2017-12-29
Applicant: 南京理工大学
IPC: G06T5/00
Abstract: 本发明公开了一种基于空谱加权TV的非凸低秩松弛的高光谱图像恢复方法。首先利用局部空间邻域的梯度信息，建立空谱联合的加权TV，继而在高光谱图像低秩恢复的框架下，引入矩阵的γ范数作为矩阵秩的非凸松弛，结合空谱加权TV，建立空谱加权TV的高光谱图像非凸低秩恢复模型。利用ADMM方法(Alternating Direction Method of Multipliers，交替方向乘子法)将模型分解为几个子问题，并分别采用非凸软阈值算子，分裂Bregman迭代，软阈值收缩算子等对转换后的子问题进行求解；得到恢复后的高光谱图像。本发明充分挖掘高光谱图像的光谱以及空间信息，具有很好的空间结构保持性能、光谱保真性，同时，具有良好的无偏性和鲁棒性，本发明能够快速、有效的去除混合噪声，得到具有良好视觉效果的高光谱图像。
-
公开(公告)号：CN113673589A
公开(公告)日：2021-11-19
申请号：CN202110926238.7
申请日：2021-08-12
Applicant: 南京理工大学
Abstract: 本发明公开了一种基于边框距离度量的标签选择自适应增量检测方法及系统，使用旧模型为数据集生成了旧类别目标的先验信息，包括类别和位置信息，在训练新的网络模型时，采用经过标签选择算法得到的伪标签进行训练，采用了跳接注意力机制学习并保留了旧类别的重要特征，再采用多尺度网络自适应的训练模型。该方法可以检测不同尺度的目标，适用于没有旧样本数据的增量目标检测。
-
公开(公告)号：CN113159189A
公开(公告)日：2021-07-23
申请号：CN202110444476.4
申请日：2021-04-23
Applicant: 南京理工大学
Abstract: 本发明公开了一种双分支多注意力卷积神经网络的高光谱图像分类方法及系统，所述方法包括：对高光谱图像进行归一化预处理操作，并将数据集分为训练集和测试集；使用双分支多注意力卷积神经网络对输入的高光谱图像进行卷积来分别获取空间和光谱信息，通过训练集对卷积神经网络进行训练；利用训练好的卷积神经网络对测试集进行分类，从而达到对高光谱遥感图像分类的目的。本发明充分利用高光谱图像中多尺度的光谱信息和空间信息，能够对高光谱遥感数据进行快速精确的分类。
-
公开(公告)号：CN112184560B
公开(公告)日：2021-03-26
申请号：CN202011387862.6
申请日：2020-12-02
Applicant: 南京理工大学
Abstract: 本发明公开了一种基于深度闭环神经网络的高光谱图像超分辨率方法，包括面向高光谱数据构建深度闭环神经网络模型和变量分离精细优化重建高分辨率高光谱图像两个过程，该方法的主要步骤为：构建两个深度学习模型分别学习超分辨过程和逆超分辨过程，两个模型形成闭环网络减少映射空间，促进模型拟合；采用适合高光谱图像的网络结构分别提取空间特征和光谱特征，空间信息和光谱信息联合重构，提高超分辨得到的图像质量；利用训练好的深度闭合神经网络，采取变量分离精细优化方法进行模型迭代求解，优化重建结果。本发明使用适用于高光谱图像超分辨率的深度闭环神经网络，闭环网络可以缩减映射空间，可以得到比单向网络更好的重建结果。
-
公开(公告)号：CN111444007B
公开(公告)日：2020-11-17
申请号：CN202010545489.6
申请日：2020-06-16
Applicant: 南京理工大学
Abstract: 本发明公开了一种基于云计算的遥感大数据自动化处理方法，遥感大数据自动化处理引擎识别输入的遥感大数据处理请求，获知待处理遥感数据存储地址、遥感数据处理流程、资源‑时间映射表、流程所涉及数据处理任务的存储地址和任务调度算法的存储地址；根据获得的算法存储地址从存储单元获取算法，并将流程、资源‑时间映射表作为算法的输入，执行算法，得到任务调度结果；根据获得的调度结果在计算单元中部署计算环境；根据获得的遥感数据和任务的存储地址分别获取遥感数据和任务，并根据获得的任务调度结果在获得的计算环境中执行任务，得到遥感数据的处理结果。本发明遥感能够有效提高云计算平台处理遥感大数据的效率。
-
-
-
-
-
-
-
-
-
Search Results
87
records
(took 0.046 seconds)
